Jak podaje serwis NeuroscienceNews.com w ramach badań włoskich naukowców sztucznej inteligencji udało się… poprowadzić samochód! Naukowcy z Instytutu Biofizyki Narodowej Rady ds. Badań naukowych (IBF-CNR) w Palermo we Włoszech podczas swoich badań naśladowali architekturę neuronów i połączenia hipokampu mózgu, aby opracować robotyczną platformę zdolną do uczenia się w taki sposób, jak robią to ludzie, podczas gdy robot porusza się po przestrzeni.
Spis treści
Sztuczna inteligencja, deep learning i hipokamp?
Magdalena Serafin z bloga Acus Med, nazywa hipokampa istotą pamięci i rogiem Ammona. Posługując się jednak bardziej obrazowym językiem, hipokamp to niewielka struktura mózgu ulokowana w tylnej części przyśrodkowej powierzchni płata skroniowego. Stanowi ona część układu limbicznego, a sama nazwa pochodzi od charakterystycznego kształtu — podobna jest do konika morskiego! Hipokamp pełni szereg istotnych funkcji w mózgu takich jak przetwarzanie i przenoszenie informacji z pamięci krótkotrwałej do długotrwałej oraz kontrolowanie procesów uczenia się i zdolności zapamiętywania. Ponadto jest on również zaangażowany w orientację przestrzenną i tworzenie map. Wraz z zakrętem zębatym i podkładką, hipokamp tworzy tak zwany zespół hipokampa. To centralne miejsce w całym procesie zapamiętywania i taki nasz mały, osobisty GPS do wykorzystywania w każdej sytuacji.
W badaniach wykorzystano również tzw. deep learning, czyli podejście sztucznej inteligencji, które umożliwia ucznie maszynowe poprzez sieci neuronowe. Złożone są z wielu warstw i działają na podstawie algorytmów uczących, które pozwalają sieci neuronowej nauczyć się rozpoznawać pewne wzorce oraz relacje między danymi wejściowymi. Pozwala to na uzyskanie coraz trafniejszych wyników w rozwiązywaniu skomplikowanych problemów. Dzięki tym próbom i przypisywaniu kosztów ostatecznie wybiera najtańszą ścieżkę do pokonania. Na te obszerne obliczenia poświęcono dziesięciolecia badań, dlatego też finalnie udało się usprawnić i zmniejszyć ilość pracy systemu.
Jak to działa?
Nowy model sztucznej inteligencji to symulowany hipokamp, który jest w stanie zmieniać połączenia synaptyczne, poruszając przypominającym samochód wirtualnym robotem. Oznacza to tyle, że musi nawigować do określonego miejsca docelowego tylko jeden raz, zanim będzie w stanie zapamiętać ścieżkę. Wspomniani naukowcy odkryli wyraźną poprawę w stosunku do obecnych autonomicznych metod nawigacji, które opierają się na wspomnianym, głębokim uczeniu się (ang. deep learning) i zamiast tego muszą obliczać tysiące prawdopodobnych ścieżek. W rozmowie z serwisem NeuroscienceNews Michele Migliore i Simone Coppolino z IBF-CNR wyjaśniają, że:
Istnieją inne systemy nawigacyjne, które symulują rolę hipokampa, działające jako pamięć robocza dla naszego mózgu. Jednak po raz pierwszy jesteśmy w stanie naśladować nie tylko rolę, ale także architekturę hipokampu, aż do poszczególnych neuronów i ich połączeń.
System opiera swoje obliczenia na tym, co może widzieć w czasie rzeczywistym przez swoją kamerę i wyjaśniają to na przykładzie nawigacji w korytarzu, w kształcie litery T. Na początku system sprawdza względne położenie kluczowych punktów orientacyjnych — w przypadku tego badania posłużono się kolorowymi kostkami. Podczas pierwszej próby porusza się w sposób nieprzewidywalny, losowo, aby wkrótce dotrzeć do celu. Następnie rekonstruuje map poprzez przestawienie neuronów w symulowanym hipokampie i przypisuje je do konkretnych punktów orientacyjnych. Jedno takie szkolenie i już, czytamy w NeuroScience.
Sztuczna inteligencja trochę jak człowiek…
Kiedy odwiedzasz nowe muzeum, miasto czy kraj na początku chcesz się trochę pokręcić; celowo zbłądzić w wąskich jak spaghetti uliczkach, popróbować lokalnych przysmaków i nie mieć planu, żeby poczuć klimat. Jeśli jednak chcesz wrócić się do konkretnej wystawy, którą minąłe_aś czy wyjątkowo uroczego mostu, wiesz, jak odtworzyć drogę. Przynajmniej takie są założenia! Podobnie jest z systemem, który opisujemy.
Zarówno platforma robotyczna, jak i symulowany hipokamp zostały wdrożone pierwotnie za pośrednictwem cyfrowej infrastruktury badawczej EBRAINS, co następnie umożliwiło naukowcom zbudowanie i przetestowanie fizycznego robota w prawdziwym korytarzu.
Dane wizualne z kamery robota były podstawą do rozpoznawania obiektów, ale teoretycznie możliwe jest, aby skalibrować je na podstawie dźwięku, zapachu czy ruchu. Istotną częścią jest jednak zestaw reguł nawigacji, który zainspirowała sama natura. Dzięki temu można je w sposób łatwy dostosowywać do wielu środowisk i danych wejściowych — czytamy w artykule.
Przyszłość i możliwe zastosowania
Na ten moment wiadomo, że inny członek laboratorium Michele Migliore, Giuseppe Giacopelli, obecnie pracuje nad dostosowaniem systemu do użytku przemysłowego poprzez kodowanie w celu rozpoznawania określonych kształtów. Michele Migliore widzi takiego robota jako pracownika magazynowego — w ciągu zaledwie kilku godzin mógłby się skalibrować i zapamiętać położenie określonych regałów. Inną możliwością, którą prezentuje naukowczyni jest pomoc osobom niedowidzącym — robot mógłby pełnić rolę psa-przewodnika i zapamiętać na przykład domowe środowisko.
Całość wyników tego odkrycia opublikowano w czasopiśmie naukowym Neural Networks. Naukowcy tłumaczą, że zbudowali go, korzystając z podstawowych bloków budulcowych i cech znanych z literatury — takich jak neurony kodujące obiekty, specyficzne połączenia i plastyczność synaptyczna. Badacze czerpali inspirację z biologii i dzięki temu byli w stanie zastosować inne zestawy reguł nawigacji niż te używane przez platformy oparte na głębokim uczeniu się.
Źródło: NeuroScienceNews